【AI早读 0622】企业 AI 落地与评估基建

今天的主线不是又一个模型发布，而是 AI 真正进入生产环境之后，需要补齐哪些基础设施。Samsung Electronics 开始大规模部署 ChatGPT Enterprise 和 Codex，安全研究者在把 Agent 的网络攻击能力拆成可验证的 eval，RAG 工程师在重建 PDF 丢失的目录结构，sqlite-utils 也把迁移和嵌套事务纳入正式工具链。我会把这四件事串起来，看企业 AI 从“能演示”走向“能长期运行”时，工程重点发生了什么变化。

Samsung 把 Codex 推向全公司

Samsung Electronics 将向韩国的全体员工，以及全球 Device eXperience（DX）部门员工提供 ChatGPT Enterprise 和 Codex。OpenAI 称这是其迄今规模最大的企业部署之一。使用范围不只包括软件开发，还覆盖研发、制造、营销、产品开发和企业职能。这件事的重要性不在于多了一家客户，而在于 Codex 的定位正在从开发工具变成企业通用执行层。

链接：Samsung Electronics brings ChatGPT and Codex to employees

官方给出的使用场景很具体。ChatGPT 负责搜索和分析信息、起草文档、形成想法与解释数据；Codex 除了编写、审查和调试代码，也被用于把业务想法变成内部工具、网站和自动化工作流。企业版提供数据保护、用户与权限管理和安全控制，让这些工作能够留在公司的治理框架内。

两个数字能说明采用速度。Codex 目前每周用户超过 500 万；韩国的周活用户自 2026 年 2 月 1 日以来增长接近 800%。Samsung 原本已经与 OpenAI 在下一代 AI 基础设施所需的存储芯片上合作，现在合作范围从硬件供应延伸到了员工工作方式。模型能力只是入口，身份、权限、数据边界和组织推广才决定它能不能进入日常流程。

安全 eval 要验证攻击链，而不只是最终答案

Eugene Yan 梳理了一组网络安全 Agent benchmark，它们共享一个基本结构：任务环境、影响难度的输入、可用工具，以及能给出确定性反馈的 grader。安全任务往往没有唯一解法，因此评估通常不检查 Agent 采用了哪条推理路径，而是验证它是否真的触发了 sanitizer、拿到隐藏 flag，或者完成了未经授权的代码执行。

链接：Patterns for Building Cybersecurity Evals

只看最终成败仍然太粗。一个得分为零的 Agent 可能已经找到并复现漏洞，只是没能构造 exploit；另一个可能连漏洞位置都没找到。更有信息量的设计，是沿攻击链设置部分得分：发现漏洞、稳定复现、绕过防御、提权或外泄数据。这样才能判断能力卡在哪一层，而不是把所有失败压成同一个零分。

不同 benchmark 展示了 harness 对结果的影响。Cybench 用 40 个专业 CTF 任务测试 Agent，在无提示模式下，Claude 3.5 Sonnet 的成功率为 17.5%，GPT-4o 为 12.5%；加入分步里程碑后，o1-preview 完成了 46.8% 的子任务。CVE-Bench 固定 GPT-4o、比较不同 Agent harness，表现最好的 T-Agent 达到 13%，而 Cybench agent 只有 2.5%。模型不变，规划方式、工具接口和反馈结构已经能拉开明显差距。

更接近真实攻击的 ExploitGym 包含 898 个漏洞实例，要求 Agent 从触发崩溃的 PoC 走到未经授权的代码执行。它还打开和关闭 ASLR、V8 sandbox、KASLR 等标准防御，观察成功率如何变化。启用防御后，领先模型的成功数量显著下降，但仍有部分任务能够绕过现有保护。对生产系统来说，eval 的目标不是得到一个“安全分数”，而是明确模型、harness、工具和系统防御分别挡住了攻击链的哪一步。

PDF 的目录不是排版，而是检索边界

很多 PDF 在页面上印着完整目录，却没有提供机器可读的 outline。人能看到章节标题和页码，doc.get_toc() 返回的却是空值。对 RAG 来说，这不是一个小的解析瑕疵：按章节限定检索范围、在标题边界切 chunk、逐节摘要，都依赖目录结构。目录缺失后，检索只能扫描整份文件，chunk 退化为按页切分，答案也失去了文档原本的层次。

链接：Reconstructing the Table of Contents a PDF Forgot to Ship, So RAG Can Scope by Section

文章给出了一条从低成本到高成本的三级路径。第一层直接读取原生 outline，免费且精确；第二层跟随目录页中的内部链接，直接得到物理页码；第三层才解析印刷出来的目录，通过点线密度、标题和页码模式识别条目，再把印刷页码映射到 PDF 文件中的真实页面。这里最容易犯的错误，是把目录上写的“第 7 页”直接当成文件的第 7 页，忽略封面、前言和罗马数字页码造成的偏移。

LLM 在这套流程里不负责从整份文档猜目录，而只负责检查启发式结果是否自洽：标题是否像标题、页码是否单调递增、层级是否合理。确定性的解析器先提出候选，LLM 再做有限判断。即使模型不可用，系统仍能带着较低置信度继续运行。无论命中哪种路径，结果都进入统一的 toc_df，下游检索无需知道目录来自原生 outline、链接还是页面文本。

sqlite-utils 给本地数据层补上迁移和嵌套事务

Simon Willison 发布了 sqlite-utils 4.0rc1。这次主要新增两项能力：数据库迁移和 db.atomic() 嵌套事务。它们看起来与 AI 没有直接关系，却正好对应 Agent 工具和本地应用进入长期运行后会遇到的问题 - 数据结构需要持续演进，一组多步骤写入也需要明确的提交与回滚边界。

链接：sqlite-utils 4.0rc1 adds migrations and nested transactions

迁移功能来自已经单独使用多年的 sqlite-migrate，现在被并入 sqlite-utils。开发者可以在 Python 文件中按顺序定义建表、加列等迁移，再通过 Python API 或 sqlite-utils migrate 命令执行。它刻意不提供反向迁移；出现错误时，需要再发布一个新迁移完成修正。这让迁移机制保持很小，也避免把自动回滚包装成并不可靠的承诺。

db.atomic() 则利用 SQLite savepoint 支持嵌套事务。内层操作失败时可以只回滚内层，外层其余写入仍可继续。4.0 也包含若干不兼容变化，例如 upsert 改用 INSERT ... ON CONFLICT SET、停止支持 Python 3.8、默认浮点列从 FLOAT 改为 REAL，以及把 SQL view 的访问从 db.table() 分离到 db.view()。这也是先发布 RC 的原因：基础数据工具一旦进入长期运行的 Agent 和内部应用，兼容性变化需要在稳定版之前被真实项目检验。

---

来源：VerySmallWoods Research Feed - 2026-06-22 UTC